Chapitre 1 : À la découverte des Gémeaux

1.1 À la découverte des Gémeaux
__1.1.1 Gémeaux
__1.1.2 Types de modèles Gemini
__1.1.3 Aperçu des modèles de langage à grande échelle
__1.1.4 Comprendre l'API Gemini
__1.1.5 Cas d'utilisation des modèles de langage à grande échelle
1.2 Gemini Start
__1.2.1 Premiers pas avec Gemini
__1.2.2 Gemini Avancé
1.3 Intelligence artificielle, apprentissage automatique et apprentissage profond
1.3.1 Intelligence artificielle, apprentissage automatique et apprentissage profond
__1.3.2 Neurones et réseaux neuronaux
1.3.3 Construction, entraînement et inférence du modèle
1.4 Traitement automatique du langage naturel et modèles d'apprentissage profond
1.4.1 Historique des modèles d'apprentissage profond dans le traitement automatique du langage naturel
__1.4.2 Traitement d'images à l'aide de modèles d'apprentissage profond
1.4.3 Traitement de la parole par apprentissage profond

Chapitre 2 Utilisation de Gemini

2.1 Comment utiliser Gemini
__2.1.1 Configuration de l'écran Gemini
__2.1.2 Principales tâches pouvant être effectuées sur Gemini
2.2 Comment utiliser Google AI Studio
__2.2.1 Premiers pas avec Google AI Studio
__2.2.2 Composition de l'écran de Google AI Studio
__2.2.3 Obtenir une clé API
2.2.4 Écriture de nouvelles invites et optimisation des modèles et des bibliothèques
__2.2.5 Documentation
__2.2.6 Paramètres
Barre d'outils __2.2.7
__2.2.8 Instructions système
__2.2.9 Exécution de l'invite
__2.2.10 Configuration de l'exécution
2.3 Comment utiliser Vertex AI Studio
__2.3.1 Premiers pas avec Vertex AI Studio
__2.3.2 Frais d'utilisation de l'API Gemini de Vertex AI
__2.3.3 Composition d'écran de Vertex AI Studio
__2.3.4 Menu de gauche
Barre d'outils __2.3.5
__2.3.6 Instructions système
__2.3.7 Exécution de l'invite
__2.3.8 Configuration de l'exécution

Chapitre 3 : Préparation de l’environnement de développement Python

3.1 Aperçu de Python
__3.1.1 Qu'est-ce que Python ?
3.2 Découverte de Google Colab
__3.2.1 Qu'est-ce que Google Colab ?
3.2.2 Premiers pas avec Google Colab
3.2.3 Exécution d'un script Python
__3.2.4 Installation des packages Python
3.2.5 Ajout de texte
3.2.6 Configuration de l'écran Google Colab
__3.2.7 Menu de Google Colab
3.2.8 Utilisation du GPU
__3.2.9 Monter Google Drive
3.2.10 Limites d'utilisation et contre-mesures de Google Colab
__3.2.11 Plan tarifaire de Google Colab
3.3 Grammaire Python de base
__3.3.1 Affichage d'une chaîne de caractères
__3.3.2 Variables et opérateurs
__3.3.3 chaîne
__3.3.4 Liste
__3.3.5 Dictionnaire
__3.3.6 Tuple
3.3.7 Instructions de contrôle
__3.3.8 Fonctions et expressions lambda
classe __3.3.9
3.3.10 Importation de packages et appel direct de composants

Chapitre 4 : API Gemini (édition Python)

4.1 Génération de texte
4.1.1 Aperçu de la génération de texte
4.1.2 Présentation de l'API Gemini
4.1.3 Présentation de l'API Google AI Gemini
4.1.4 Frais de l'API Google AI Gemini
4.1.5 Obtenir une clé API
__4.1.6 Préparation de l'API Gemini
4.1.7 Vérifier la liste des modèles
4.1.8 Génération de texte
__4.1.9 Streaming
__4.1.10 Chat
__4.1.11 Paramètres de création
__4.1.12 Vérifier le nombre de jetons
__4.1.13 Paramètres de sécurité
__4.1.14 Instructions système
__4.1.15 Mode JSON
4.2 Multimodal
4.2.1 Aperçu multimodal
4.2.2 Formats de fichiers pris en charge
4.2.3 Préparation de l'API Gemini
4.2.4 Questions et réponses sur les images
4.2.5 Requête et réponse d'images à l'aide de l'API File
__4.2.6 Questions et réponses vocales
__4.2.7 Questions-réponses vidéo
4.3 Intégration
4.3.1 Aperçu de l'intégration
4.3.2 Préparation de l'API Gemini
4.3.3 Types de modèles d'intégration
__4.3.4 Comment utiliser text-embedding-004
__4.3.5 Recherche de voisinage à l'aide de Text-Embedding-004
__4.3.6 Comment utiliser bge-m3
__4.3.7 Recherche de voisinage à l'aide de bge-m3
4.4 Appels de fonction
4.4.1 Aperçu des appels de fonction
__4.4.2 Préparation de l'API Gemini
4.4.3 Appel des fonctions automatiques
4.4.4 Configuration des outils
4.4.5 Appel manuel des fonctions
__4.4.6 Appel de fonctions parallèles
4.5 Réglage fin
4.5.1 Aperçu du réglage fin
__4.5.2 Frais de l'API Gemini
4.5.3 Obtenir la liste des modèles optimisés
4.5.4 Préparation des données d'entraînement
__4.5.5 Apprentissage
4.5.6 Inférence
__4.5.7 Mise à jour de la description du modèle de réglage fin
__4.5.8 Suppression d'un modèle de réglage fin
__4.5.9 Fichier d'identification
4.6 API Gemini de Vertex AI
4.6.1 Présentation de l'API Gemini de Vertex AI
__4.6.2 Frais de l'API Gemini de Vertex AI
4.6.3 Préparation de la clé du compte de service
__4.6.4 Préparation de l'API Gemini de Vertex AI
4.6.5 Génération de texte
__4.6.6 Questions et réponses sur les images

Chapitre 5 : API Gemini (édition Android)

5.1 Génération de texte
5.1.1 Aperçu de la génération de texte
5.1.2 Présentation de l'API Gemini de Google AI
__5.1.3 Frais de l'API Gemini
__5.1.4 Récupération des clés API
__5.1.5 Préparation de l'API Gemini
__5.1.6 Génération de texte
__5.1.7 Streaming
__5.1.8 Chat
__5.1.9 Paramètres de création
__5.1.10 Paramètres de sécurité
5.2 Multimodal
5.2.1 Aperçu multimodal
__5.2.2 Préparation de l'API Gemini
5.2.3 Questions et réponses sur les images
5.3 LLM local
5.3.1 Aperçu du LLM local
__5.3.2 Gemini Nano et Gemma
__5.3.3 Environnement d'exécution du modèle de langage local sur Android
__5.3.4 Exécution de l'application de démonstration Llama.cpp

Chapitre 6 : API Gemini (édition iOS)

6.1 Génération de texte
6.1.1 Aperçu de la génération de texte
6.1.2 Présentation de l'API Gemini de Google AI
__6.1.3 Frais de l'API Gemini
__6.1.4 Récupération des clés API
__6.1.5 Préparation de l'API Gemini
6.1.6 Génération de texte
__6.1.7 Streaming
__6.1.8 Chat
__6.1.9 Paramètres de création
__6.1.10 Paramètres de sécurité
6.2 Multimodal
6.2.1 Vue d'ensemble multimodale
__6.2.2 Préparation de l'API Gemini
6.2.3 Questions et réponses sur les images
6.3 LLM local
6.3.1 Aperçu du LLM local
6.3.2 Environnement d'exécution LLM local sur iOS
6.3.3 Exécution de l'application de démonstration Llama.cpp
6.3.4 Exécution de l'application de démonstration MLX Swift

Chapitre 7 Index Rama

7.1 Début de l'index Rama
__7.1.1 Qu'est-ce que l'indice Rama ?
__7.1.2 Étapes principales de l'indice Rama
7.1.3 Préparation du document
7.1.4 Préparation de l'index Rama
7.1.5 Questions et réponses utilisant l'indice de Rama
__7.1.6 Sauvegarde et chargement des index
7.2 Personnalisation de l'index Rama
__7.2.1 Aperçu de la personnalisation de l'index Rama
7.2.2 Préparation de l'index Rama
7.2.3 Préparation du document
7.2.4 Personnalisation du LLM
7.2.5 Personnalisation du modèle d'intégration
__7.2.6 Personnalisation du tokenizer
__7.2.7 Personnalisation du séparateur de texte
7.2.8 Personnalisation du moteur de requêtes
__7.2.9 Reclasseur
7.3 Chargeur de données
7.3.1 Présentation du chargeur de données
7.3.2 Questions et réponses à l'aide de pages Web
7.3.3 Questions-réponses à l'aide de vidéos YouTube
7.4 Boutique Vector
7.4.1 Aperçu de la boutique Vector
7.4.2 Préparation de l'index Rama
7.4.3 Préparation du document
7.4.4 Ordre d'utilisation de Pie
__7.4.5 Présentation de Pinecon et importation de l'API
__7.4.6 Ordre d'utilisation des pommes de pin
Note de 7,5
7.5.1 Évaluation de l'indice de Rama
7.5.2 Préparation de l'index Rama
7.5.3 Préparation du document
7.5.4 Création d'un ensemble de données de contexte de question
7.5.5 Évaluation de la récupération
7.5.6 Évaluation de la performance des réponses

Chapitre 8 : Langchain

8.1 Démarrage de la chaîne de Lang
__8.1.1 Aperçu de Langchain
__8.1.2 Cas d'utilisation de Langchain
__8.1.3 Configuration du package Langchain
__8.1.4 Présentation des modules de Langchain
8.1.5 Préparation de la chaîne de caractères
__8.1.6 LLM
Modèle d'invite __8.1.7
__8.1.8 Analyseur de sortie
__8.1.9 Chaîne
__8.1.10 Agent
__8.1.11 Langsmith
8.2 LLM
8.2.1 Aperçu du LLM
8.2.2 Préparation de la chaîne de langage
8.2.3 Comment utiliser LLM
8.2.4 Comment utiliser ChatModel
__8.2.5 Streaming
8.2.6 Comment utiliser LLM dans l'API Gemini de Vertex AI
8.3 Modèles d'invite
8.3.1 Aperçu du module de modèle d'invite
8.3.2 Préparation de la chaîne de caractères
8.3.3 Comment utiliser les modèles d'invite de chaîne
8.3.4 Comment utiliser les modèles d'invites de chat
8.3.5 Comment utiliser les espaces réservés aux messages
8.4 Analyseur de sortie
8.4.1 Aperçu de l'analyseur de sortie
8.4.2 Préparation de la chaîne de langage
8.4.3 Comment utiliser l'analyseur de sortie de chaîne
8.4.4 Comment utiliser l'analyseur de sortie JSON simple
8.4.5 Comment utiliser l'analyseur de sortie Pydantic
Chaîne de 8,5 pouces
8.5.1 Aperçu de la chaîne
__8.5.2 Vue d'ensemble LCEL
__8.5.3 Aperçu de l'exécutable
8.5.4 Préparation de la chaîne de langage
8.5.5 Comment utiliser les chaînes
8.5.6 Comment utiliser Runnable
8.5.7 Vérification du schéma d'entrée/sortie de Runnable
8.6 Chatbot
__8.6.1 Présentation du chatbot
8.6.2 Préparation de la chaîne de langage
8.6.3 Préparation au LLM
8.6.4 Préparation du chatbot
__8.6.5 Directives personnalisées
8.6.6 Gestion de l'historique des conversations
8.6.7 Vérification du stand de tir
8.7 Création de recherche augmentée
8.7.1 Aperçu de la génération de recherche augmentée
8.7.2 Préparation de la chaîne de caractères
8.7.3 Préparation du modèle d'intégration
8.7.4 Préparation du magasin de vecteurs
8.7.5 Préparation du retriever
8.7.6 Mise en œuvre de la génération de recherche augmentée
8.7.7 Traitement des documents avec génération de recherche augmentée
8.7.8 Vérification du stand de tir
8.8 Agent
8.8.1 Aperçu de l'agent
8.8.2 Préparation de la chaîne de caractères
8.8.3 Préparation du modèle d'intégration
8.8.4 Préparation des outils
8.8.5 Mise en œuvre d'un agent
__8.8.6 Diffusion en continu des messages
8.8.7 Implémentation d'un agent avec historique de conversation
8.8.8 Vérification du stand de tir

La première étape vers la programmation d'IA multimodale, en commençant par Gemini !
Croisement de textes, d'images, de vidéos et de voix
Le guide complet du développement d'applications d'IA !

Gemini, une IA générative développée par Google, est une IA multimodale qui traite simultanément diverses données telles que du texte, des images, des vidéos et des voix.
Cela peut servir à créer des services d'IA avancés tels que l'analyse de texte et d'images, les chatbots vocaux et l'IA de résumé vidéo.

Ce livre vise à développer des applications d'IA de chatbot personnalisées utilisant Gemini.
Il est structuré autour du développement de l'IA utilisant l'API Gemini et peut être mis en pratique dans divers environnements de développement tels que Colab, Android et iOS.
De plus, nous expliquerons RamaIndex et LangChain, qui sont des frameworks standard pour le développement de l'IA, afin de vous guider dans le développement plus facile d'applications avancées.

Il ne se contente pas d'expliquer des exemples, mais propose des exercices étape par étape et du code à suivre et à exécuter, permettant même aux développeurs novices de créer facilement des applications d'IA.
De plus, ce livre vous permettra d'acquérir une compréhension approfondie de l'IA générative et d'apprendre à l'appliquer en pratique.